卷积神经网络中卷积核参数计算和卷积操作理解

最新推荐文章于 2024-08-08 16:38:06 发布

软件班那个学渣

最新推荐文章于 2024-08-08 16:38:06 发布

阅读量4.4k

点赞数 7

分类专栏：深度学习

本文链接：https://blog.csdn.net/qq_25473787/article/details/100145842

版权

本文介绍了卷积神经网络中卷积操作的基础知识，包括卷积核大小、步长、填充的影响。通过举例计算了一个具体案例：输入图像为3 * 32 * 32，卷积核大小7，padding 1，stride 3，卷积核个数64。计算得出卷积后图像尺寸为10 * 10，特征图个数为64，每个卷积核参数数量为3 * 7 * 7 + 1，总参数数量为64 * (3 * 7 * 7 + 1)。并提供了代码实现验证结果。

摘要由CSDN通过智能技术生成

背景知识

卷积神经网络中的卷积操作主要是由：卷积核大小（kearl_size），步长(stride)，填充(padding)等决定，根据输入的特征图的in_channel的个数，尺寸以及卷积核大小，步长与填充的关系可以计算出卷积后输出的特征图的out_channel，大小等。
相关计算

现在假设原图像的输入为in_channel * image_size * image_size,卷积操作的卷积核的大小为kearl_size，卷积的步长为stride，填充为padding，卷积核的个数为out_channel，以下给出计算出卷积操作后特征图的个数，大小，以及卷积操作的参数等。
假设现在输入的图像是3 * 32 * 32（3代表的是channel的个数，32 * 32是图像的大小），卷积操作中的卷积核的大小kearl_size为7，padding为1，stride为3，卷积核的个数conv_num为64，求卷积操作后图像的大小，卷积后的特征图的个数，以及卷积核的参数？

卷积操作后图像的尺寸计算
由公式得卷积后的图像的尺寸为：after_size=(image_size+2 * padding-keral_size)/stride+1
那么卷积后的图像尺寸为：（32+2 * 1-7）/3+1=10
卷积操作后特征图的feature maps个数（其实也是out_channel）计算
输出的特征图的个数就是卷积核的个数 64
卷积核的参数计算
由卷积操作知